一种日用家电设备的智能化改造控制方法与流程

本发明涉及人工智能与智能家居，具体为一种日用家电设备的智能化改造控制方法。

背景技术：

1、智能家居行业在过去十年间得到快速发展，然而新型智能家电渗透率的提升并不能解决家庭中大量已购置存量非智能家电的智能化问题，这些存量家电设计寿命通常为十至十五年，用户更换意愿低，由此形成了智能家居生态中的孤岛效应，推动存量家电的低成本、非侵入式智能化改造，是当前智能家居产业的重要课题；

2、非侵入式负载监测技术的核心思想是在电网接入点采集电气信号，通过分析负载切换时产生的电气特征变化来识别和分离各家电设备的运行状态，传统非侵入式负载监测系统通常采用低频采样，依赖手工提取的功率特征，并结合隐马尔可夫模型或支持向量机进行状态分类；

3、现有技术中与本发明最为接近的方案主要包括以下三类；

4、第一类为智能插座方案，现有智能插座通过无线局域网或低功耗无线通信协议接入智能家居平台，可实现远程控制电源通断、采集总有功功率以及基于功率阈值触发简单自动化规则等功能，该方案通过低频功率计量芯片采集有功功率，经无线通信模块上报云端，用户通过手机应用程序或语音助手下发通断指令，继电器直接硬切断负载电路，该方案的局限在于：仅掌握家电是否通电及总功率，无法感知家电内部运行状态，控制粒度仅为开关两个档位，继电器采用硬切断方式，对老旧家电存在冲击损伤风险，特别是对于处于高速运转状态的电机类家电，硬切断瞬间将产生感应电动势反冲，叠加电网浪涌，峰值电压可超出额定值数倍，极易损坏老旧家电的电机绕组；

5、第二类为智能红外遥控盒方案，该方案通过学习并重放红外遥控码，实现对空调、电视、风扇等支持红外遥控家电的间接控制，用户使用原机遥控器对准学习盒按键，学习盒记录并存储红外码，通过应用程序或语音助手触发后，学习盒向家电发射已存储的红外码，该方案属于纯开环控制，无法获取家电实际执行状态的反馈确认，仅适用于具备红外接收窗口的家电，对纯机械式电器完全无效，无法与家电当前状态进行联动判断，存在因状态感知缺失而发出错误指令的风险；

6、第三类为传统非侵入式负载监测能耗监测方案，该类方案在家庭配电箱处安装电流互感器，采集全宅电流波形，利用机器学习算法识别家电种类并统计能耗，该方案面向全宅能耗监测而非单体家电精细控制，采样率和特征维度不足以区分同一家电的不同内部工作模式，所有人工智能推理在云端完成，存在隐私风险和网络延迟，不具备主动控制能力，且高频电力数据中隐含用户精细作息规律，属于高度敏感的个人信息，集中上传存在严重隐私泄漏风险；

7、上述现有技术存在以下共同缺陷：其一，感知维度不足导致状态识别粗粒度，现有方案仅采集低频总功率，无法区分具有相近功率特征的不同工作状态，如洗衣机洗涤模式与漂洗模式功率差异仅约五十瓦，在功率噪声环境下难以可靠区分，导致控制指令的生成缺乏设备状态上下文，智能化控制深度严重不足，其二，硬切断控制方式对老旧家电存在损伤风险，缺乏基于设备状态的安全柔性切换机制，老旧家电绝缘层老化、承压能力下降，控制系统无法做到知状态、择时机、选策略的安全柔性切换，其三，云端集中推理存在隐私风险与网络依赖，断网即失效，无法保障家庭场景下的控制可靠性，其四，缺乏个性化适配机制，不同家庭相同型号家电因使用年限不同导致电学特征存在显著个体差异，统一预训练模型泛化能力差，且无法随家电老化自动修正模型参数，为此，我们提出一种日用家电设备的智能化改造控制方法。

技术实现思路

1、本发明的目的在于提供一种日用家电设备的智能化改造控制方法。

2、为实现上述目的，本发明提供如下技术方案：一种日用家电设备的智能化改造控制方法，包括以下步骤：

3、多维电气特征采集步骤：通过以串联方式接入被控家电电源回路的智能改造网关，在不改变被控家电内部电路结构的前提下，同步采集被控家电电源端的高频电压电流轨迹信号与近场电磁辐射信号，以单个工频周期为单位对高频电压电流轨迹信号进行分帧处理，每帧提取包含有功功率、无功功率、视在功率、功率因数、电流总谐波失真率以及各次谐波电流幅值在内的电压电流统计特征向量，同时对近场电磁辐射信号按对数均匀划分的多个子频段进行频谱能量积分，构成电磁辐射频谱能量特征向量，将所述电压电流统计特征向量与所述电磁辐射频谱能量特征向量拼接构成单帧融合特征向量，以滑动窗口方式堆叠连续多帧融合特征向量构成时序输入张量；

4、边缘推理步骤：将所述时序输入张量输入部署于智能改造网关微控制器的经知识蒸馏与整数量化压缩的轻量化时间卷积网络推理引擎，获得被控家电当前内部工作状态的预测概率向量，取概率最大对应的类别为预测状态，并对连续多次推理结果采用多数表决滑动窗口进行时序平滑，输出稳定工作状态；

5、安全柔性控制步骤：集成于所述智能改造网关微控制器主控单元内的控制决策模块根据所述稳定工作状态及外部控制指令，从过零点检测继电器柔性切换、红外指令重构组合控制以及电声反馈闭环确认三种控制策略中动态选择一种执行，并在控制执行完成后通过电气特征变化进行闭环确认；

6、端云协同学习步骤：在控制指令执行后，通过比较控制前后电气特征推理状态自动生成带标签训练样本，积累至预设数量后触发本地增量随机梯度下降训练，计算模型梯度差量并经差分隐私处理后加密上传至云端联邦聚合服务器，云端服务器执行按数据量加权的联邦平均聚合，将更新后的全局模型按设备类型分组下发至各智能改造网关，完成边缘端轻量化模型的持续个性化优化。

7、作为本发明的进一步方案，所述电压电流统计特征向量包含有功功率、无功功率、视在功率、功率因数、电流总谐波失真率以及第二次至第十五次谐波电流幅值，所述电磁辐射频谱能量特征向量按十六个对数均匀间隔子频段划分，频率范围覆盖一百五十千赫至三十兆赫，每个分量为对应子频段内功率谱密度曲线的积分值，拼接后的单帧融合特征向量维度为四十三维，滑动窗口长度为三十帧，时序输入张量维度为三十行四十三列。

8、作为本发明的进一步方案，所述轻量化时间卷积网络由三个因果膨胀卷积残差块堆叠构成，各残差块膨胀因子依次为一、二、四，卷积核尺寸为三，通道数为三十二，三层堆叠后总感受野覆盖十五帧时序上下文，对应三百毫秒的历史时序信息，所述知识蒸馏以云端全精度大模型为教师模型，蒸馏损失函数为硬标签交叉熵损失与软标签散度损失的加权组合，蒸馏完成后对学生模型执行对称线性整数量化压缩，量化后单次推理延迟低于五十毫秒。

9、作为本发明的进一步方案，所述过零点检测继电器柔性切换的具体过程为：控制决策模块判断当前稳定工作状态属于电机高速运转类后，使能过零点检测中断，待交流电网过零事件触发后驱动继电器线圈完成触点切换，继电器动作完成后在五百毫秒内对比切换前后有功功率与视在功率变化量进行闭环确认，若未检测到预期电气特征变化则进入重试流程，最多重试三次。

10、作为本发明的进一步方案，所述红外指令重构组合控制的具体过程为：从本地设备指令库中查询被控家电对应的红外协议格式及指令码映射表，结合当前稳定工作状态与目标控制状态生成状态转移所需的最优红外指令序列，按序发射各条红外指令，每条指令间隔二百毫秒，在发射完成后三秒内检测电磁辐射特征变化是否对应目标状态的电机转速变化特征进行闭环确认，确认失败则重新发射，最多重试三次。

11、作为本发明的进一步方案，所述带标签训练样本的自动生成方式为：记录控制指令执行前的稳定工作状态与执行后通过电气特征推理得到的稳定工作状态，以执行后状态为标签构成正样本追加至本地样本缓冲区，当缓冲区积累样本数量达到五十个或达到三十分钟更新周期时触发本地增量训练。

12、作为本发明的进一步方案，所述差分隐私处理的具体过程为：对梯度差量执行基于预设裁剪阈值的范数裁剪，再注入均值为零、方差与裁剪阈值平方成正比的高斯噪声，得到隐私保护梯度后使用加密传输协议上传至云端服务器，不上传任何原始电力数据。

13、作为本发明的进一步方案，所述云端联邦聚合的具体过程为：云端服务器等待接收至少百分之三十比例的参与本轮聚合的客户端梯度上传，执行按本地数据量加权的联邦平均聚合算法计算新一轮全局模型参数，在标准测试集上评估聚合后模型准确率，若较上一轮提升超过零点五个百分点则按设备类型分组下发，否则丢弃本轮聚合结果等待更多客户端参与下一轮。

14、作为本发明的进一步方案，针对新接入的智能改造网关，云端服务器根据网关上报的设备类型标识，从对应设备类型的全局联邦模型库中推送最新聚合模型作为初始化模型，使新网关无需本地积累大量样本即可获得较高的初始识别准确率，解决新设备冷启动问题。

15、作为本发明的进一步方案，所述多数表决滑动窗口长度为五，对连续五次推理结果取众数作为稳定工作状态输出，若稳定工作状态发生转移则记录状态转移时间戳并触发状态变更事件上报至控制决策模块。

16、采用上述技术方案，与现有技术相比，本发明的有益效果在于：

17、1.本发明状态识别细粒度显著提升，通过高频电压电流轨迹与近场电磁辐射的多维特征融合，将家电状态识别细粒度从设备级提升至工作模式级对洗衣机、空调等典型家电的多状态识别准确率相较传统单功率特征方法有所提升，填补了零侵入条件下深层状态识别的技术空白；

18、2.本发明家电保护效果显著，过零点检测联动切换使继电器动作时刻的负载电流接近零值，过零点检测联动切换可显著降低继电器动作时刻的浪涌峰值电压，有效保护老旧家电电机绕组，有效保护老旧家电电机绕组，从根本上消除硬切断对老旧家电的冲击损伤风险，防止因冲击导致的电气故障乃至火灾隐患；

19、3.本发明隐私保护与模型性能兼顾，联邦学习框架结合差分隐私处理，使原始电力数据零出户，在非独立同分布数据条件下，个性化联邦模型相较于统一预训练模型识别准确率有所提升，且随设备使用时间持续自我优化，且随设备使用时间持续自我优化，实现越用越准的控制体验；

20、4.本发明边缘实时性保障，经整数量化后的轻量化时间卷积网络模型体积压缩至一百千字节量级，在主流物联网微控制器上单次推理延迟低于五十毫秒，内存占用低于二百五十六千字节，满足实时控制需求，保障断网环境下的本地控制可靠性。